基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统的制作方法
【技术领域】
[0001] 本发明属于多传感器信息融合技术领域，尤其设及基于序贯贝叶斯滤波的多目标 跟踪方法及跟踪系统。
【背景技术】
[0002] 贝叶斯滤波技术能够提供一种强大的统计方法工具，用于协助解决测量数据具有 不确定性情况下的多传感器信息的融合与处理。为了解决多目标贝叶斯滤波方法对新收到 的测量数据不能被及时处理而产生的信息延迟问题W及未知目标初始位置情况下的多目 标跟踪问题，我们已提出了解决办法，具体请参考申请号为CN201510284138.3、一种传递边 缘分布的测量驱动目标跟踪方法与跟踪系统的专利申请。然而，该方法不能对运动模式在 不同模型间转换的机动目标进行有效跟踪，如何对运动模式在不同模型间转换的机动目标 跟踪是多目标贝叶斯滤波方法中需要探索和解决的一个关键技术问题。
【发明内容】
[0003] 本发明所要解决的技术问题在于提供一种基于序贯贝叶斯滤波的多目标跟踪方 法及跟踪系统，旨在解决运动模式在不同模型间转换的多机动目标的跟踪问题。
[0004] 本发明是运样实现的，一种基于序贯贝叶斯滤波的多目标跟踪方法，包括W下步 骤：
[0005] 步骤A、当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与接收 到前一个测量数据的时刻的时间差，W接收到所述新的测量数据的时刻为当前时刻，接收 到前一个测量数据的时刻为前一时刻;根据所述时间差、各个模型间的转移概率W及前一 时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分 布及其存在概率；
[0006] 步骤B、根据所述预测的当前时刻各个目标在不同模型下的边缘分布及其存在概 率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不同模型下的更 新边缘分布及其存在概率；
[0007] 步骤C、将所述当前时刻各个目标在不同模型下的更新边缘分布及其存在概率进 行融合，形成当前时刻各个目标的更新边缘分布及存在概率；
[000引步骤D、利用当前时刻的每一个测量数据产生新目标的边缘分布，为其指定存在概 率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所述当前时刻各 个目标的更新边缘分布及其存在概率进行合并，生成当前时刻的各个目标的边缘分布及其 存在概率；
[0009]步骤E、从合并后所生成的当前时刻各个目标的边缘分布中将存在概率小于第一 阔值的边缘分布裁减掉，并且将裁减后的边缘分布及其存在概率作为下一时刻递归滤波的 输入，同时，从裁减后的边缘分布中提取存在概率大于第二阔值的边缘分布作为当前时刻 的输出，并且将各个输出边缘分布的均值与方差分别作为当前时刻目标的状态估计与误差 估计。
[0010]本发明还提供了一种基于序贯贝叶斯滤波的多目标跟踪系统，该系统同样能解决 运动模式在不同模型间转换的多机动目标的跟踪问题，且可W确保数据处理的实时性。 [OOW 该多目标跟踪系统，包括：
[0012] 预测模块，当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与 接收到前一个测量数据的时刻的时间差，W接收到所述新的测量数据的时刻为当前时刻， 接收到前一个测量数据的时刻为前一时刻;根据所述时间差、各个模型间的转移概率W及 前一时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边 缘分布及其存在概率；
[0013] 更新模块，根据所述预测模块中预测的当前时刻各个目标在不同模型下的边缘分 布及其存在概率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不 同模型下的更新边缘分布及其存在概率；
[0014] 模型融合模块，将所述更新模块中当前时刻各个目标在不同模型下的更新边缘分 布及其存在概率进行融合，形成当前时刻各个目标的更新边缘分布及存在概率；
[0015] 边缘分布生成模块，利用当前时刻的每一个测量数据产生新目标的边缘分布，为 其指定存在概率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所 述模型融合模块中当前时刻各个目标的更新边缘分布及其存在概率进行合并，生成当前时 刻的各个目标的边缘分布及其存在概率；
[0016] 边缘分布提取模块，从所述边缘分布生成模块中将合并后所生成的当前时刻各个 目标的边缘分布中将存在概率小于第一阔值的边缘分布裁减掉，并且将裁减后的边缘分布 及其存在概率作为下一时刻递归滤波的输入，同时，从裁减后的边缘分布中提取存在概率 大于第二阔值的边缘分布作为当前时刻的输出，并且将各个输出边缘分布的均值与方差分 别作为当前时刻目标的状态估计与误差估计。
[0017] 本发明与现有技术相比，有益效果在于:所述的基于序贯贝叶斯滤波的多目标跟 踪方法通过预测、更新、融合、边缘分布生成及边缘分布提取的步骤能将序贯贝叶斯滤波器 与不同的模型结合起来，既保证了数据处理的实时性，同时又有效地解决了运动模式在不 同模块之间的多机动目标的跟踪问题，且具有广泛的实用性。
【附图说明】
[0018] 图1是本发明序贯贝叶斯滤波的多目标跟踪方法的流程图；
[0019] 图2是本发明序贯贝叶斯滤波的多目标跟踪系统的结构示意图；
[0020] 图3是本发明实施例提供的传感器在50个扫描周期的测量数据；
[0021] 图4是根据本发明的多目标跟踪方法与基于跳跃马尔科夫系统模型的GM-P皿目标 跟踪方法处理得到的结果；
[0022] 图5是根据本发明的多目标跟踪方法与基于跳跃马尔科夫系统模型的GM-P皿滤波 方法处理得到的结果；
[0023] 图6是根据本发明的多目标跟踪方法与基于跳跃马尔科夫系统模型的GM-P皿-JMS 滤波方法在经过100次实验得到的平均OSPA距离示意图。
【具体实施方式】
[0024] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发明，并 不用于限定本发明。
[0025] 本发明的基于序贯贝叶斯滤波的多目标跟踪方法通过对各个目标的边缘分布及 其存在概率进行预测、更新、融合、生成W及提取，从而解决了在不同模型间进行转换的机 动目标跟踪问题并且能够及时处理当前时刻接收到的测量数据。
[0026] 如图1所示，基于序贯贝叶斯滤波的多目标跟踪方法，包括W下步骤：
[0027] 步骤A、当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与接收 到前一个测量数据的时刻的时间差，W接收到所述新的测量数据的时刻为当前时刻，接收 到前一个测量数据的时刻为前一时刻;根据所述时间差、各个模型间的转移概率W及前一 时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分 布及其存在概率。
[0028] 模型为目标的运动提供场所，设模型表示为ri,k。目标是需要测试、跟踪的对象。根 据模型间的转移概率可W将不同模型转化为同一个模型，W方便运动模式在不同模型间的 巧慢、跟踪。
[0029] Wk-I表示前一时刻，k表示当前时刻，tk-i表示前一时刻的时间，tk表示当前时刻 的时间，表示前一时刻第i个边缘分布的模型标签，ri,k表示当前时刻第i个边缘分布的 模型标签，1非i,k含Mr,Mr表示模型的总数目。
[0030] 已知前一时刻第i个边缘分布为N(xi,k-i ;mi,k-i(ri,k-i)，Pi,k-i(ri,k-i))，i = 1， 2，...，Nk-i，前一时刻第i个边缘分布的存在概率为化,k-l(ri,k-l)，i = l，…，Nk-l;其中，N表示 高斯分布，Xi, k-i表示为前一时刻第i个边缘分布的状态向量，mi, k-i (r i, k-i)和Pi, k-i (r i, k-i)分 别表示前一时刻第i个边缘分布的均值和方差，Nk-I为前一时刻目标的总数，i为索引号，I < i< Nk-Io
[0031] 根据前一时刻的边缘分布及其存在概率、当前时刻与前一时刻的时间差W及模型 间的转移概率得出当前时刻各目标在不同模型下预测的边缘分布为 Pi,k|k-i(ri,k))，i = l，2,...，化-1,1 <'1,1^<1。当前时刻各预测边缘分布的存在概率为 Pi,k I k-l (Ti'k)二PS,k( tk-tk-l ) tk I k-l (Ti'k I ri,k-l )Pi,k-l (Ti, k-l ),i 二 1,2,..., Nk-1,1 ^ Ti'k ^ Mr ;其 中，mi,k|k-l(:ri,k)=Fk-l(:ri,k)mi,k-l(:ri,k-l)为当前时刻目标i在模型:ri,k下的预测边缘分布的 均值，
为目标i在模型n,k下的预测边缘分 布的方差，tk|k-i(ri,k|r